Wageningen UR Livestock Research ontwikkelt kennis voor een zorgvuldige en renderende veehouderij, vertaalt deze naar praktijkgerichte oplossingen en innovaties, en zorgt voor doorstroming van deze kennis. Onze wetenschappelijke kennis op het gebied van veehouderijsystemen en van voeding, genetica, welzijn en milieu-impact van landbouwhuisdieren integreren we, samen met onze klanten, tot veehouderijconcepten voor de 21e eeuw.
De missie van Wageningen UR (University & Research centre) is ‘To explore the potential of nature to improve the quality of life’. Binnen Wageningen UR bundelen 9 gespecialiseerde onderzoeksinstituten van stichting DLO en Wageningen University hun krachten om bij te dragen aan de oplossing van belangrijke vragen in het domein van gezonde voeding en leefomgeving. Met ongeveer 30 vestigingen, 6.000 medewerkers en 9.000 studenten behoort Wageningen UR wereldwijd tot de aansprekende kennisinstellingen binnen haar domein. De integrale benadering van de vraagstukken en de samenwerking tussen verschillende disciplines vormen het hart van de unieke Wageningen aanpak.
Haalbaarheidsstudie naar het genereren van opbrengst- en voederwaardekengetallen met
sensoren en modellen voor gras en snijmaïs
I.E. Hoving, C. Kempenaar, S. Heijting, T.H. Been, A.P. Philipsen, H.C.A. Vlemminx, G.J. Roerink, G.J.F.M. Hermans
GrasMaïs-Signaal; adviessysteem
precisielandbouw melkveehouderij
Wageningen UR Livestock ResearchPostbus 338 6700 AH Wageningen T 0317 480 10 77
E info.livestockresearch@wur.nl www.wageningenUR.nl/livestockresearch Livestock Research Rapport 842
GrasMaïs-Signaal; adviessysteem
precisielandbouw melkveehouderij
Haalbaarheidsstudie naar het genereren van opbrengst- en voederwaardekengetallen met
sensoren en modellen voor gras en snijmaïs
I.E. Hoving 1) C. Kempenaar 2) S. Heijting 2) T.H. Been 2) A.P. Philipsen 1) H.C.A.Vlemminx 4) G.J. Roerink 3) G.J.F.M. Hermans 4)
1) Wageningen UR Livestock Research 2) Wageningen UR Plant Research International 3) Wageningen UR Alterra
4) ZLTO
Dit onderzoek is uitgevoerd door Wageningen UR Livestock Research, in opdracht van en gefinancierd door de provincie Overijssel, het (voormalige) Productschap Zuivel en de Zuidelijke Land- en Tuinbouw Organisatie (ZLTO).
Wageningen UR Livestock Research Wageningen, februari 2015
Hoving I.E., C. Kempenaar, S. Heijting, T. Been, B. Philipsen, R. Vlemminx, G. Roerink en G. Hermans, 2015. GrasMaïs-Signaal; adviessysteem precisielandbouw melkveehouderij.
Haalbaarheidsstudie naar het genereren van opbrengst- en voederwaardekengetallen met sensoren en modellen voor gras en maïs. Wageningen, Wageningen UR (University & Research centre) Livestock Research, Livestock Research Rapport 842.
Samenvatting NL
In dit rapport is een haalbaarheidsonderzoek uitgewerkt naar een integraal adviessysteem voor precisielandbouw betreffende de productie van ruwvoer (gras en maïs) voor de melkveehouderij in Nederland. Technologie is niet beperkend meer om precisielandbouw op belangrijke teeltmaatregelen toe te passen. Het gaat nu om het bewerkstelligen van een effectieve integratie van sensordata, modellen, kengetallen en machines in een integraal adviessysteem en in belangrijke
precisielandbouwtoepassingen. Geadviseerd wordt hoe een praktisch adviessysteem voor operationele beslissingen op het melkveebedrijf gerealiseerd kan worden binnen afzienbare tijd (<3 jaar) door integratie van bestaande componenten (data, sensoren en modellen), en hoe dit systeem verbeterd kan worden op de langere termijn door gerichte R&D.
Summary UK
A feasibility study has been worked out for an integrated advisory system for precision agriculture on the production of forage (grass and maize) for dairy farming in the Netherlands. Technology is not restrictive anymore to apply precision agriculture on important cultivation measures. It is now about achieving an effective integration of sensor data, models, metrics and equipment in a comprehensive advice system. It has been advised how a practical advice system for operational decisions can be realized on the dairy farm in the foreseeable future (<3 years) through the integration of existing components (data, sensors and models), and how this system can be improved in the long term through focused R&D.
© 2014 Wageningen UR Livestock Research, Postbus 338, 6700 AH Wageningen, T 0317 48 39 53, E info.livestockresearch@wur.nl, www.wageningenUR.nl/livestockresearch. Livestock Research is onderdeel van Wageningen UR (University & Research centre).
Afbeelding voorpagina: weergave satellietopname volgens Groenmonitor Alterra (www.groenmonitor.nl).
Livestock Research aanvaardt geen aansprakelijkheid voor eventuele schade voortvloeiend uit het gebruik van de resultaten van dit onderzoek of de toepassing van de adviezen.
Alle rechten voorbehouden. Niets uit deze uitgave mag worden vermenigvuldigd en/of openbaar gemaakt worden door middel van druk, fotokopie, microfilm of op welke wijze dan ook zonder voorafgaande toestemming van de uitgever of auteur.
De certificering volgens ISO 9001 door DNV onderstreept ons kwaliteitsniveau. Op als onze onderzoeksopdrachten zijn de Algemene Voorwaarden van de Animal Sciences Group van toepassing. Deze zijn gedeponeerd bij de Arrondissementsrechtbank Zwolle.
Inhoud
Woord vooraf 5
Samenvatting 7
Executive summary 12
1 Inleiding 17
2 Visie, eisen en wensen 18
3 Sensoren 20
3.1 Wat zijn bruikbare sensoren? 20
3.2 Bodemsensoren 22
Geleidbaarheid en straling als maat voor bodemeigenschappen 23 3.2.1
Veris systeem 23
3.2.2
Dualem systeem 24
3.2.3
Gamma straling als maat voor textuur en organisch stof 25 3.2.4
Sensoren voor bepaling van bodemvocht 26
3.2.5
Bodemverdichting 27
3.2.6
3.3 Gewassensoren 27
Biomassa sensing vanuit satellieten en drones 28
3.3.1
Biomassa sensing met proximal sensoren 32
3.3.2
Grashoogte meten 34
3.3.3
Ontwikkelingen geavanceerde camera’s 35
3.3.4
Sensing van kwaliteitsparameters 36
3.3.5
3.4 Klimaatsensoren 37
Sensoren op het bedrijf 37
3.4.1
3.5 Meteo-data van het KNMI/meteoconsult 38
3.6 Beweiding 38
Accelerometer of versnellingsopnemer 38
3.6.1
Halster met drukopnemer 39
3.6.2
Halsband met microfoon 39
3.6.3
4 Modellen 41
4.1 Wat zijn bruikbare modellen? 41
4.2 Hydrologie 43 SWAP 43 4.2.1 MetaSWAP 45 4.2.2 SEBAL 45 4.2.3 BeregeningsWijzer 47 4.2.4 4.3 Gewasgroei 48 WOFOST 48 4.3.1 GRAMIN 50 4.3.2 GRAS2007 50 4.3.3 CNGRAS 51 4.3.4 LINTUL 51 4.3.5 4.4 Nutriënten 52 Animo 52 4.4.1
Modellen organische stof en mineralisatie 54
4.4.2
4.5 Meervoudige modellen 57
BBPR 57
SWAP-WOFOST 58 4.5.2 Waterpas 59 4.5.3 SIMGRO 60 4.5.4 GraslandgebruiksWijzer 62 4.5.5 BeregeningsSignaal 63 4.5.6
Adviesbasis bemesting en voedergewassen 64
4.5.7
5 Analyse 66
5.1 Algemeen 66
5.2 Gewenste toepassing – droombeeld 66
5.3 Behoefte managementinformatie ondernemer 67
5.4 Koppelingen datastromen tot modules 68
5.5 Realisatie modules en adviessysteem 71
6 Haalbaarheid en advies 75
6.1 Haalbaarheid 75
6.2 Advies 81
7 Conclusies 83
Literatuur 85
Bijlage 1 Visie, eisen en wensen 90
Bijlage 2 Teeltkalenders blijvend grasland en snijmaïs 95
Bijlage 3 Bodemfactoren 97
Woord vooraf
Het voorliggende rapport is het resultaat van een haalbaarheidsstudie die is uitgevoerd in het kader van het project ‘Satellietbeelden van het gras- en maïslandmanagement’ en dat als werktitel ‘GrasMaïs-Signaal’ heeft meegekregen. Remote sensing met satellietsensoren gaat een steeds belangrijkere rol spelen in de informatievoorziening en is een belangrijke aanleiding geweest voor het initiëren van het betreffende project. Daarnaast gaat near sensing met specifieke sensoren op het bedrijf ook bijdragen aan de informatievoorziening. De technische innovatie die dit project voorstaat, moet een impuls geven aan de melkveehouderijsector. De innovatie betreft het combineren van diverse datastromen waaronder sensorsystemen en modellen om teelt- en voedingstechnische kengetallen voor gras en snijmaïs te genereren. Dit moet leiden tot een praktisch adviessysteem die melkveehouders van de gewenste informatie voorziet, zodat zij beter zicht hebben op de actuele productie en kwaliteit van hun ruwvoer. Dit helpt om de productiviteit te verhogen en om de verliezen te verkleinen. Dit komt ten goede aan het economisch bedrijfsresultaat en draagt bij aan het
verduurzamen van de bedrijfsvoering.
De opdrachtgevers van deze haalbaarheidsstudie zijn de provincie Overijssel, het (voormalige)
Productschap Zuivel en de Zuidelijke Land- en Tuinbouw Organisatie (ZLTO). Het beoogde vervolg van dit project betreft, bij een positieve beoordeling van de haalbaarheid, het opstellen van een plan van aanpak voor de ontwikkeling en de implementatie van het gewenste adviessysteem. Voor het
inventariseren van de eisen en wensen waar het gebruik van sensoren en modellen toe moet leiden, is gebruik gemaakt van een klankbordgroep van melkveehouders en loonwerkers uit Noord-Brabant, Overijssel en de Noordoostpolder. Tevens is met hen het eindbeeld van het adviessysteem getoetst. Hun bijdrage is erg zinvol geweest, waarvoor veel dank.
Dit rapport geeft enerzijds een actueel overzicht van alle beschikbare sensoren en modellen en anderzijds een analyse van hoe de verschillende datastromen gecombineerd kunnen worden tot een adviessysteem. Hierbij is het integreren van verschillende kennisvelden, zoals klimaat, bodem, hydrologie, gewasgroei en graslandgebruik, een belangrijk aspect. Elke stap die hierin wordt gemaakt is vernieuwend en draagt bij aan de beoogde impuls aan de melkveehouderijsector!
Dr. ir. B.G. Meerburg
Samenvatting
Doel
Het doel van dit rapport is de haalbaarheid te onderzoeken voor de korte en (middel)lange termijn van een integraal adviessysteem voor precisielandbouw aangaande de productie van ruwvoer (gras en maïs) op melkveehouderijbedrijven in Nederland. Op basis van deze haalbaarheidsstudie wordt een advies gegeven hoe een praktisch adviessysteem voor operationele beslissingen gerealiseerd kan worden binnen afzienbare tijd (<3 jaar) door integratie van bestaande componenten (data, sensoren en modellen), en hoe dit systeem verbeterd kan worden op de langere termijn door aanvullende R&D. De kern van het advies staat in Tabel 1.1 van deze managementsamenvatting.
Achtergrond
Precisielandbouw is een vorm van landbouw waar gewasplanten een zo nauwkeurig mogelijke behandeling krijgen die ze nodig hebben, op het juiste moment en op een zo klein mogelijke schaal, om binnen bedrijfseconomische, milieu- en maatschappelijke randvoorwaarden de gewasopbrengst te maximaliseren. De interesse voor precisielandbouw vanuit de landbouwpraktijk is de afgelopen jaren sterk toegenomen, vooral in de grootschalige akkerbouw. Dankzij de beschikbaarheid en/of het gebruik van nieuwe technologieën als plaatsbepalingssystemen (GPS), bodem-, gewas- en
opbrengstsensoren, nieuwe ICT (internet-platforms, smart phones, Apps), en autonome voertuigen, komt integrale toepassing van de precisielandbouw als managementvorm dichtbij. Op dit moment is de technologie niet beperkend om precisielandbouw op belangrijke teeltmaatregelen toe te passen, althans precisielandbouw op een schaalniveau van 10 bij 10 m. Het gaat nu om het bewerkstelligen van een effectieve integratie van sensordata, modellen, kengetallen en machines in een operationeel en integraal adviessysteem voor precisielandbouw in gras en maïs op melkveebedrijven. De voordelen van precisielandbouw zijn lagere input van meststoffen, water, middelen en arbeid, hogere
gewasopbrengsten en minder belasting van mens en milieu. Tot op heden worden deze voordelen in de ruwvoerproductie nog zeer beperkt gerealiseerd, zeker in vergelijking met ontwikkelingen in de akkerbouw. Loonwerkers die de teelt- en oogst van gras en maïs verzorgen, hebben vaak wel GPS en soms ook oogstsensoren, maar benutten niet of nauwelijks de mogelijkheden hiervan voor
precisielandbouw. De aanleiding voor dit rapport is dat de auteurs en opdrachtgevers kansen zien om met precisielandbouw de gras- en maïsproductie in Nederland ecologisch en economisch verder te verduurzamen.
Wensen, eisen en visie van eindgebruikers
De resultaten in dit rapport zijn gebaseerd op het in kaart brengen van visies, eisen en wensen van de eindgebruikers (inventarisatie binnen klankbordgroep loonwerkers en melkveehouders uit Noord-Brabant, Overijssel en Noordoostpolder) van het integrale adviessysteem voor precisielandbouw in ruwvoerproductie en een literatuuronderzoek van (bruikbare) sensortechnologie en modellen. Op basis van de analyse van deze gegevens wordt een beschrijving gegeven van hoe een modulair opgezet adviessysteem er uit kan zien, dat als basis kan dienen voor implementatie van precisielandbouw in de ruwvoerproductie in Nederland. Vervolgens wordt aangegeven hoe de benodigde modules gerealiseerd kunnen worden, en met welke aanvullende inspanningen binnen 10 jaar aan alle wensen van de eindgebruikers voldaan kan worden.
Het droombeeld van de klankbordgroep is:
‘Een operationeel adviessysteem dat melkveehouders helpt om binnen gestelde bedrijfseconomische, milieu en maatschappelijke randvoorwaarden de ruwvoeropbrengst te maximaliseren en om de ruwvoerkwaliteit op minimaal perceelniveau te optimaliseren’.
Volgens de klankbordgroep zijn de volgende stappen daarbij essentieel: (1) van advies op bedrijfsniveau naar perceelniveau en pleksgewijs, (2) van advies op jaarbasis naar dagbasis,
en (3) van metingen achteraf naar actuele en voorspellende metingen. De klankborgroep benoemde een zevental sleutelinnovaties:
1. Bepaling (meten) van de actuele grasopbrengst en voederwaarde;
2. Voorspelling van de grasopbrengst en voederwaarde voor de weersverwachtingstermijn (3-15 dagen);
3. Voorspelling van de maïsopbrengst en voederwaarde voor de lange termijn (1-3 maanden); 4. Meten van factoren die de actuele groeiomstandigheden weergeven, zoals
bodemtemperatuur, bodemvocht, nutriënten
5. Modelmatige koppeling van factoren die gewasgroei bepalen, zoals bodem, waterhuishouding, nutriënten en weer;
6. Gecombineerd adviessysteem waarbij op één overzicht teelt- attenties worden gegeven met een hoge betrouwbaarheid;
7. Advies tenminste per perceel en zo mogelijk per grid.
De technologie- en informatiebehoefte is daarbij in kaart gebracht en weergegeven in hoofdstuk 2 in teeltkalenders (Figuur 2.1) en een stroomschema (Figuur 2.2). Deze behoeftes zijn de basis zijn voor het integraal adviessysteem voor operationele beslissingen bij ruwvoerproductie in Nederland. Sensoren en data
Precisielandbouw kan niet zonder actuele, met sensoren verkregen data van bodem, gewas, dier en klimaat. Een breed overzicht van praktijkrijpe of in ontwikkeling zijnde sensortechnologie staat samengevat in hoofdstuk 3 Tabel 3.1. De sensoren zijn beoordeeld op technologische rijpheid, gebruik in de praktijk, betrouwbaarheid en kosten-baten informatie. De beschikbaarheid van sensoren die data over toestand van bodem (zoals organische stof, pH, lutum, bodemvocht), gewas (bovengrondse biomassa, stikstof in het gewas, fysieke opbrengst), dier en klimaat kunnen leveren, is niet beperkend voor het optuigen van het gewenste basis adviessysteem. Sensortechnologie waarmee belangrijke gewasstadia, biologische stress (ziekten, plagen, onkruiden), voedingswaarde van geoogst product, en nutriëntengehalten in vloeibare mest gemeten kan worden, is nu nog niet ver genoeg ontwikkeld voor gebruik in een adviessysteem. Dit is echter niet beperkend om nu al te starten met implementatie van een basis adviessysteem.
Modellen
Modellen zijn nodig voor interpretatie van de sensordata en voor het maken van de operationele precisielandbouwadviezen. Een overzicht van relevante landbouwkundige modellen op de onderwerpen hydrologie, gewasgroei, nutriënten, beweiding en bedrijfseconomie modellen, en specifieke
adviesmodules, staat samengevat in hoofdstuk 4 in Tabel 4.1. De modellen en modules zijn beoordeeld op toepasbaarheid voor operationele adviezen, beschikbaarheid, gebruik in de praktijk, informatiebehoefte en betrouwbaarheid. Het aanbod aan modellen en modules is breed genoeg om te starten met een basis adviesmodule. Het gaat hier vooral om hydrologische, gewasgroei, nutriënten en bedrijfseconomische modellen.
Analyse
De analyse (hoofdstuk 5) in het onderzoek was gericht op het kunnen inschatten of het droombeeld van de klankbordgroep (het operationele adviessysteem met minstens zeven sleutelinnovaties) gerealiseerd kan worden met thans beschikbare sensoren en modellen. Een basis adviessysteem voor precisielandbouw bestaande uit vijf modules volstaat om het droombeeld van de klankbordgroep te realiseren, en kan voor gerealiseerd worden door een integrale koppeling van bestaande
1. Bodemvocht (geeft actuele vochttoestand en voorspelling beschikbaar vocht);
2. Bemesting (geeft bemestingstoestand van de bodem en beschikbaarheid van meststoffen); 3. Graslandgebruik (geeft actuele opbrengst en optimalisatie van het oogstmoment);
4. Groei en voederwaarde (geeft actuele productie en voorspelling groei en voederwaarde); 5. Nutriëntenbalans (houdt bij hoeveel mest is er gegeven en hoeveel product is er geoogst). De behoefte aan een onderdeel voederwaarde en gewaskwaliteit is voor de klankbordgroep wel zeer gewenst, maar kan op korte termijn nog niet ingevuld worden. Een module die gegevens over biologische stress en opbrengstverlies door ziekten, plagen en onkruiden levert, is op aangeven door de klankbordgroep niet geprioriteerd omdat biologische stress een relatief klein effect heeft op opbrengst van gras en maïs bij het huidige management (milieu-technisch gezien zou de prioritering anders kunnen uitvallen, in bepaalde regio’s in Nederland is reductie van de emissie van
gewasbeschermingsmiddelen een belangrijk thema). De vijf modules worden bij voorkeur ontwikkeld als web-based services die als App op te roepen zijn in een internet-platform dat GEO-tools heeft om percelen en variatie daarbinnen in kaart te brengen. Het Akkerweb-platform is hiervoor een goed alternatief waarmee een vliegende start gemaakt kan worden.
Ontwikkelperspectief
Het ontwikkelperspectief (hoofdstuk 6) van de benodigde vijf modules voor het adviessysteem staat samengevat in onderstaande Tabel 1.1. Uit onze analyse blijkt dat binnen 3 jaar een basis
adviessysteem gerealiseerd kan worden waarmee voor gras- en maïs op basis van data over bodemvocht, nutriënten en groei opbrengstvoorspelling gedaan kan worden, bedrijfseconomische berekeningen gedaan kunnen worden en precisielandbouwadviezen gegeven kunnen worden. Het adviessysteem kan op termijn verbeterd worden door toevoeging van sensortechnologie die data over de kwaliteit van geoogst product, gewasstadia, biologische stress, diergedrag in de wei (alleen voor weides met begrazing) en specifieke bodemeigenschappen leveren, maar hiervoor is verdiepend onderzoek nodig. Daarbij wordt in Tabel 1.1 aangeven welke uitbreiding binnen 3-7 jaar gerealiseerd kan worden en waarbij naar verwachting de ontwikkeling van meer tijd kost. De onderbouwing van het ontwikkelingsperspectief in Tabel 1.1 staat in hoofdstuk 6 in de Tabellen 6.1 (sensoren), 6.2 (modellen), 6.3 (componenten van modules) en 6.5 (benodigde R&D om specifieke sensoren beschikbaar te krijgen).
Tabel 1.1
Ontwikkelingsperspectieven per module per termijn, binnen beoogd integraal adviessysteem.
Modules Gras/maïs Korte termijn 1-3 jaar
Middellange termijn 3-7 jaar
Lange termijn > 7 jaar
Bodemvocht Gras/maïs Wordt in basis toegepast in BeregeningsSignaal. Koppeling met sensoren bodemvocht (tensio) en meting grondwaterstand (divers). Uitbreiding model voor draagkracht.
Koppeling met remote sensing (NDVI). Verbeteren en uitbreiden relaties bodemvocht en draagkracht. Koppeling model grondwaterstands-verloop.
Koppeling met radar om vochtinhoud
bovengrond te meten.
Bemesting Gras/maïs Bemestingsadvies is reeds beschikbaar via
bedrijfsmanagement tools. Deze koppelen aan data analyses. Optimalisatie meststoffengebruik en berekenen van organische stofbalans. Berekening van N-mineralisatie.
Koppeling data sensoren betreffende nutriënten drijfmest met NIRS.
Koppeling met data sensoren voor bepalen elementen in de bovengrond.
Graslandgebruik Gras GraslandGebruiksWijzer (planning) koppelen aan bestaande
bedrijfsmanagement tools.
Koppeling real time data weidegang
(stappenteller).
Koppeling real time data daadwerkelijke grasopname koeien
Groei Gras Model Gras2007 is robuust en praktijkrijp. Koppeling maken met modules bodemvocht, bemesting en graslandgebruik. Koppeling met data (hoogtemetingen).
Koppeling met metingen remote sensing voor opbrengstmeting (NDVI).
Koppeling sensoren die voederwaarde bepalen (NIRS).
Maïs Groeimodel voor maïs is beschikbaar. Koppeling maken met modules bodemvocht en bemesting.
Koppeling met metingen remote sensing voor opbrengstmeting (NDVI).
Koppeling sensoren die voederwaarde bepalen (NIRS).
Nutriëntenbalans Gras Voor voorspelling gebruik maken van modules grasgroei, bemesting en graslandgebruik.
Voor gerealiseerde balans input sensoren meting hoeveelheid en inhoud (kunst)mestgift en eindoogst bij maaien.
Koppeling real time data daadwerkelijke grasopname koeien.
Maïs Voor voorspelling gebruik maken van modules maïsgroei en bemesting. Koppeling input sensoren meting hoeveelheid en inhoud (kunst)mestgift en eindoogst. Advies en aanbevelingen
Op basis van de haalbaarheidsstudie komen we tot de conclusie dat een basis adviessysteem voor integrale toepassing van precisielandbouw als managementvorm bij de productie van ruwvoer in Nederland binnen afzienbare tijd mogelijk is (conclusies in hoofdstuk 7). De signalen van voorlopers en de klankbordgroep bij dit project geven ook aan dat het logisch en mogelijk is om een volgende
stap naar concreetheid te maken. Om de realisatie van het adviessysteem te bespoedigen, bevelen wij twee sporen aan:
1. Een gecoördineerde ontwikkeling van het basis adviessysteem door thans beschikbare componenten te implementeren en te testen onder praktijkomstandigheden. Dit kan door in een aantal relevante regio’s in Nederland (één implementatie- en demonstratiebedrijf per regio, bijv. 4 regio’s) de componenten van het adviessysteem softwarematig bij elkaar te brengen in een internetplatform, het gebruik ervan te monitoren gedurende ca. 2
groeiseizoenen, modules te valideren en zo nodig bij te stellen. In jaar 3 zou het systeem dan gedemonstreerd kunnen worden;
2. Om het basis adviessysteem te kunnen verbreden na 3 jaar, is aanvullend onderzoek op enkele thema’s nodig, om hiermee de gewenste sensortechnologie voor specifieke (kwaliteits-)data te ontwikkelen en integreren. Dit zal een verdere boost geven aan het gebruik van het adviessysteem in de praktijk en bijdragen aan beter bedrijfsresultaat en minder
milieubelasting. Voor de ontwikkelvraagstukken die met de lange termijn te maken hebben, is het advies om aansluiting te zoeken bij fundamentele onderzoeksprogramma’s. Een aantal middellange termijn (3-7 jaar) ontwikkelvraagstukken kan met gerichte R&D-projecten zonder al te veel risico’s gerealiseerd worden, daar deze berusten op concepten die elders al hun meerwaarde getoond hebben.
De ontwikkeling van het adviessysteem behoeft naast het praktische werk een stuurgroep of andere organisatievorm die waakt en stuurt over aandachtspunten die te maken hebben met open data beleid, kwaliteit en eigendom van data, brede toegankelijkheid van het systeem voor aanbieders van data en diensten, nieuwe verdienmodellen, privacy van data-eigenaren, en implementatie van het adviessysteem in onderwijs.
Tot slot
Voor de concrete uitwerking van de ontwikkeling, implementatie en validatie van het integrale adviessysteem op basis van dit haalbaarheidsonderzoek, adviseren wij een plan van aanpak op te stellen. Hierin moeten de organisatie, technische uitvoering en kosten inzichtelijk worden. Op basis daarvan kunnen potentiele opdrachtgevers een duidelijk keuze maken over kosten, baten en
verwachtte realisatie tijd. Daarmee kan een belangrijke bijdrage geleverd worden aan het droombeeld ‘Een operationeel adviessysteem dat melkveehouders helpt om binnen gestelde bedrijfseconomische, milieu en maatschappelijke randvoorwaarden de ruwvoeropbrengst te maximaliseren en om de ruwvoerkwaliteit op minimaal perceelniveau te optimaliseren’; van advies op bedrijfsniveau naar perceelniveau en pleksgewijs, van advies op jaarbasis naar dagbasis, en van metingen achteraf naar actuele en voorspellende metingen.
Executive summary
Objective
The objective of the study is to investigate the short and (medium) long term feasibility of an precision farming advisory system for production of grass and maize fodder on dairy farms in the Netherlands. The results are used to give recommendations on how a practical advice system for operational decisions can be realized in the near future (within 3 years) through the integration of existing components (data, sensors and models), and how this system can be improved in the long term by additional R&D. The core of the advice is given in Table 1.1 of this executive summary.
Background
Precision farming is a management concept where crop plants get the most accurate treatment they need, at the right time and at the smallest possible scale, in order to maximize the crop yield within economic, environmental and social constraints. The interest in precision agriculture has increased in recent years, especially on large arable farms. The wide availability of several new technologies, such as global positioning systems (GPS), soil, crop and yield sensors, new ICT (internet platforms, smartphones, Apps), and autonomous vehicles, is a good basis for development and implementation of precision agriculture measures on farms. Currently, technology is not restrictive to apply precision farming measures on a scale of 10 to 10 m. Next steps are about achieving effective integration of sensor data, models, key figures and machines in an operational and integral advisory system for precision in grass and corn on dairy farms. Benefits of precision agriculture are lower input of fertilizers, water, labor and resources, higher crop yields and less adverse effects on people and the environment. To date, these advantages in fodder production are still hardly captured, especially in comparison with developments in arable farming. Agricultural contractors, who do the cultivation and harvesting of grass and corn, often have GPS and sometimes crop sensors, but hardly exploit their potential for precision agriculture. The reason for this report is that the authors and the ordering parties (Dutch dairy board ZuivelNL and the board of the province of Overijssel) see good
opportunities to increase sustainability of grass and maize production in the Netherlands with precision farming.
End user requirements
The results in this report are based on opinions, wishes and constraints mentioned by end users of the advisory system to be developed. We did an inventory within a focus group of more than 20
contractors and farmers in North Brabant, Overijssel and Northeast. The focus group is the advisory board of the project. We also did a literature review on sensor technology and models. Based on the analysis of these data, we describe how a modular based advice system may look like. This blueprint can serve as a basis for the implementation of precision agriculture in the fodder production in the Netherlands. It shows how the modules can be realized, and what additional R&D is needed in the coming 10 years to meet all end users wishes.
The general wish of the focus group is:
"An operational advisory system that helps farmers within economic, environmental and social constraints to maximize fodder yields and quality, at least at individual field level, and, if possible, site-specifically within fields.”
According to the focus group, the following shifts in the advisory system are needed: (1) a shift in advice from farm level to individual field level to field grids level, (2) advice from an annual basis to a daily basis, and (3) a shift from measurements afterwards to check operations to measurements upfront with predictive value.
The focus group mentioned seven key innovations:
1. Determination of the actual grass yield and nutritional value;
2. Prediction of the grass yield and nutritional value for the weather forecast period (3-15 days); 3. Prediction of the maize yield and nutritional value for the long term (1-3 months);
4. Measurement of actual growth conditions, such as soil temperature, soil moisture, nutrients; 5. Modelling of factors that determine crop growth, such as soil, water management, nutrient
and weather;
6. An integral advice system which gives at a glance robust cultivation attentions with high reliability;
7. Advices at leastperfield and,if possible,by within field grids of ca 10 by 10 m.
Technology and information needs is presented in Chapter 2 of this report in crop calendars (Figure 2.1) and in a flow diagram (Figure 2.2). These requirements are the basis for the comprehensive advice system for operational decisions in fodder production in the Netherlands.
Sensors and data
Precision farming relies on use of sensor data on soil, plant, animal and environmental conditions. A broad overview of currently available and innovative sensor technology is summarized in Table 3.1 in Chapter 3. The sensors are rated on technological maturity, practical use, reliability and
cost-effectiveness. We conclude that a basic advisory system for precision farming can be made with currently available sensors that can measure soil (e.g. soil organic matter, pH, clay, soil moisture), crop (aboveground biomass, nitrogen in the crop yield) climate and animal behavior parameters. Sensors that can measure important crop stages, biological stress (diseases, pests, weeds), nutritional value of harvested product, and nutrient levels in organic manure, are not yet mature for use in practice in an advisory system. However, this is not limiting to already start with the implementation of a basic advice system.
Models
Models are needed for interpretation of the sensor data, and for making the operational advices on precision farming. An overview of relevant agricultural models on the subjects of hydrology, crop growth, nutrients, grazing and farm economics, and specific advice modules, is presented in Table 4.1 in Chapter 4. The models and modules are rated on suitability for operational advice, availability, use in practice, and reliability. We conclude that the availability of models and modules is not limiting for the development of the basic advisory system. This advisory system mainly involves hydrological, crop growth, nutrients and business models.
Analysis
The end user requirements and the literature study on models and sensors were input for the analysis (Chapter 5, Figure 5.4) whether or not an operational advice system with at least seven key
innovations is feasible within 3 years. We conclude that a basic advice system for precision consisting of five modules is sufficient to realize the wishes of the advisory board, and may be realized by an integral linking of existing components. These five modules (with notes) are:
1. Soil moisture module (displays current moisture status and forecasting available moisture); 2. Fertilizer application module (gives fertilizing the soil condition and availability of fertilizers); 3. Grassland use module (gives current yield and optimization of the harvest time);
4. Growth and nutritional value module (provides current and forecast production growth and nutritive value);
5. Nutrient balance module (keeps track of how much fertilizer is given and how much product is harvested).
The need for a nutritional value and crop quality component in the advisory system is very desirable, but cannot be made without additional fundamental research. A module that provides data on biological stress and yield losses due to diseases, pests and weeds, is indicated by the advisory board but not prioritized because biological stress has a relatively small effect on yield of grass and corn
under current management conditions (from an environmental point of view, this module probably would be prioritized; in some regions in the Netherlands reduction of emission of pesticides is an important theme). The five modules are preferably designed as web-based services and/or Apps on an internet platform that has GEO tools to visualize within field variation. The Akkerweb platform
(www.akkerweb.nl) can serve as such a platform. Outlook
The development perspective (Chapter 6) of the five modules for the basic advice system is
summarized in Table 1.1. We estimate that within 3 years, a prototype of basic advice system with the five modules can be realized. The system combines data on soil moisture, nutrients and crop growth with economic models in order to keep track of field specific forage production and to apply
operational precision farming measures such as site specific fertilizer use and irrigation. The advice system may be improved over time by adding sensor technology that provides data on the quality of harvested product, crop stages, biological stress, animal behavior in the meadow (for pastures with grazing only) and specific soil properties, but requires in-depth research. In addition, Table 1.1 indicates the extension of the system that may be achieved within 3-7 years. The underpinning of the development perspective is given in the Tables 6.1 (sensors), 6.2 (models), 6.3 (components of modules) and 6.5 (required R & D to get specific sensors available).
Table 1.1
Development perspectivesper moduleperterm, withinenvisagedintegral advicesystem.
Modules Grass/maize Short term 1-3 year
Medium term 3-7 year
Long term > 7 year
Soil moisture Grass/maize In base used in Irrigation Signal. Coupling with soil moisture sensors (tensio) and measurement of groundwater (divers). Expansion model for sward baring capacity.
Coupling with remote sensing (NDVI). Improving and expanding relationships soil moisture and baring capacity. Coupling with modelling groundwater course.
Coupling with radar to measure moisture content of topsoil.
Manuring Grass/maize Fertilization is already available through business management tools. Linking this with data analysis. Optimizing fertilizer use and calculation of organic matter balance. Calculation of N-mineralization.
Coupling with data sensors on nutrient slurry with NIRS.
Coupling with data sensors for determining elements in the topsoil.
Grassland use Grass Grassland Use Indicator (planning) connect to existing farm management tools.
Coupling with real time data grazing
(pedometer).
Coupling real-time data recording actual grass uptake by cows. Growth Grass Model Gras2007 is robust
and ready for practice. Pairing with modules soil moisture, fertilization and pasture use. Coupling with data (grass height).
Coupling with remote sensing measurements for yield measurement (NDVI).
Coupling with sensors that determine nutritional value (NIRS)
Maize Growth model for corn is available. Coupling with modules soil moisture and fertilization.
Coupling with remote sensing measurements for yield measurement (NDVI).
Coupling with sensors that determine nutritional value (NIRS). Nutrient
balance
Grass For prediction making use of modules grass growth, fertilization and pasture use.
For realized balance input sensors measuring quantity and content (art) manure and final harvest by mowing.
Coupling with real time data recording actual grass uptake cows.
Maize For prediction use modules corn growth and fertilization.
Coupling with input sensors measuring quantity and content manure use and final harvest.
Advice and recommendations
Based on the feasibility study, we conclude that a basic advisory system for full application of precision agriculture as a management form in the production of forage in the Netherlands is possible within the foreseeable future (conclusions in Chapter 7). This conclusion is confirmed by comments of precision farming pioneers and members of the advisory board of this project. In order to accelerate the
realization of the basic advisory system, we recommend two tracks:
1. A coordinated development of the basic advice system with currently available components, and to implement and test it under practical conditions. This can be done in a number of relevant regions in the Netherlands (one deployment and demonstration farm per region, eg. four regions), by bringing together on these farms the components of the advisory system software on an internet platform. Use of the system should be monitored during
approximately two growing seasons, to validate and, if necessary, to adjust. After year 3, the system may then be demonstrated to end users;
2. To be able to broaden the basic advice system after 3 years, additional research is needed on some themes. Development of specific sensors (forage quality) and tools for data integration is required. This will give a further boost to the use of the advisory system in practice and contribute to improved business performance and lower environmental impact. For the development issues related to the long-term, it is advised to seek an alliance with fundamental research programs. A number of medium-term (3-7 years) development challenges may be targeted in R&D projects without too many risks of failure, because they have shown their added value already elsewhere.
The development of the advisory system needs alongside the practical work a steering group or other organization that gives guidance for the open data policy, quality and ownership of data, wide accessibility of the system to providers of data and services, new business models, privacy of data owners, and implementation of the advisory system in education.
Concluding remarks
For the practical implementation of the development, implementation and validation of the integrated advisory system based on this feasibility study, we recommend to prepare a detailed description of the required next steps. Herein, the organization, technical implementation and costs of the system are made transparent. It allows stakeholders en end users to make a clear choice about costs, benefits and expected completion time of the system. We believe that with the basic advisory, an important contribution can be made to the focus group dream "An operational advisory system that helps farmers within economic, environmental and social constraints to maximize fodder yields and quality, at least at individual field level, and, if possible, site-specifically within fields.”
1
Inleiding
De technologische ontwikkeling op het gebied van sensoren ten behoeve van de landbouw gaan steeds verder. De intrede van precisielandbouw is voor wat betreft teeltondersteuning in grondgebonden landbouw voor de akkerbouw en vollegronds groenteteelt verder dan in de melkveehouderij. Dit komt voornamelijk omdat in de melkveehouderij het grootste deel van het bedrijfsareaal uit blijvend grasland bestaat en dit onderdeel is van aan totaal bedrijfssysteem. Gras wordt in meerdere sneden geoogst, waarbij zowel gemaaid als geweid wordt. Vooral door weidegang hebben melkveehouders weinig of geen zicht op de uiteindelijke opbrengst van een snede. Tegelijk gaan veel veehouders zich nog meer concentreren op het diermanagement als gevolg van schaalvergroting. Dit terwijl aandacht voor ruwvoerproductie essentieel is voor behoud van bedrijfsrendement en een verdere
verduurzaming van het nutriëntengebruik .
Precisielandbouw biedt voor de melkveehouderij de kans om verder te ontwikkelen richting een duurzame bedrijfsvoering. Met behulp van precisielandbouw kan efficiënter omgegaan worden met mineralen (m.n. stikstof, fosfaat, kali) en water. Efficiënt en effectief omgaan met mineralen en water is zowel positief voor de landbouw, als voor het milieu; een betere benutting betekent minder emissies richting water en atmosfeer. Sensorsystemen genereren steeds betere kwantiteits- en
kwaliteitsparameters voor biomassa. Door te investeren in de ontwikkeling van precisielandbouw kan op termijn de opbrengst- en voederwaarde worden gemeten en voorspelt op perceelsniveau, zo mogelijk ook bij toepassing van weidegang. Dit inzicht geeft naar verwachting een aanzienlijke efficiëntie verbetering. Geschat wordt dat opbrengstverhoging 10 à 15% bedraagt bij dezelfde input (vocht en nutriënten).
In Nederland bestaat anno 2014 het merendeel van het landbouwareaal uit gras en maïs (Bron; CBS). Door het grote beslag op het landbouwareaal en het economisch belang van de melkveesector, heeft een efficiëntievergroting een grote impact en dat maakt het investeren in precisielandbouw
interessant. De uitdaging is om de diverse datastromen zodanig te combineren dat dit in de gewenste informatiebehoefte van de veehouder voorziet. Daarbij moet de informatie gemakkelijk toegankelijk en praktisch te interpreteren zijn. Te denken valt aan een computerprogramma dat data vertaald in concrete adviezen; een adviessysteem voor het dagelijkse management van de teelt van gras- en maïs.
In het kader van het project GrasMais-Signaal is een haalbaarheidsstudie uitgevoerd met als doel het verkrijgen van inzicht in het gebruik van sensoren en modellen om de opbrengst en kwaliteit van ruwvoer te voorspellen. Het te ontwikkelen adviessysteem combineert verschillende datastromen, echter deze vertegenwoordigen verschillende kennisvelden, zoals klimaat, bodem, hydrologie, gewasgroei en graslandgebruik. Een integratie van de verschillende kennisvelden is zodoende een vereiste. Modellen die de verschillende kennisvelden vertegenwoordigen spelen hier een belangrijke rol in, zeker als het gaat om het voorspellen van opbrengst en kwaliteit.
Om de gewenste informatiebehoefte van melkveehouders in beeld te krijgen zijn de eisen & wensen geïnventariseerd bij een klankbordgroep van melkveehouders en loonwerkers (Hoofdstuk 2). Daarbij is een inventarisatie uitgevoerd van de huidige stand der techniek van de sensorsystemen (Hoofdstuk 3) en van de beschikbare modellen die verschillende kennisvelden vertegenwoordigen (Hoofdstuk 4). Op basis van deze inventarisaties is geanalyseerd hoe de verschillende datastromen bij elkaar gebracht kunnen worden tot modules (hoofdstuk 5). Tot slot is de haalbaarheid van het realiseren van het beoogde adviessysteem uitgewerkt en wordt een advies gegeven over de verdere ontwikkeling (hoofdstuk 6).
2
Visie, eisen en wensen
Om tot een breed gedragen visie van het te ontwikkelen adviessysteem te komen is gestart met het inventariseren van de visie, de eisen en de wensen van een klankbordgroep van loonwerkers en melkveehouders uit Noord-Brabant, Overijssel en de Noordoostpolder. Uitgangspunt is geweest dat het om een computerapplicatie gaat die data omzet in een concreet praktijkadvies. De data kunnen afkomstig zijn van sensoren, modellen en bepalingen. In een tweetal bijeenkomsten hebben melkveehouders en loonwerkers hun wensbeeld en prioriteiten aangegeven. Bij de inventarisatie is gebruik gemaakt van een tabel waarin thema’s zijn onderscheiden, zoals technische voorwaarden, voorspellend vermogen en gebruiksvriendelijkheid. Per thema zijn kernpunten benoemd en deze zijn gescoord op de kwalificaties visie, eis en wens.
Gehanteerde definities;
Visie: mening over dit project en hoe dit dient aangepakt te worden
Eis: Dit onderdeel/onderwerp dient minimaal gerealiseerd te worden. Zonder dit onderdeel/onderwerp kan het model geen succes worden.
Wens: Een pluspunt als dit onderdeel/onderwerp gerealiseerd kan worden, is geen eis. Zonder dit onderdeel/onderwerp kan het model toch een succes worden.
De inventarisatie heeft een uitgebreide lijst van technische details opgeleverd die belangrijk worden gevonden voor het te ontwikkelen operationele adviessysteem. In Bijlage 1 staat de complete uitwerking van de inventarisatie. Om de uitkomsten samen te vatten en te visualiseren zijn voor blijvend grasland en snijmaïs teeltkalenders gemaakt waarin per teelthandeling sensoren zijn
afgebeeld. De kalenders geven het cyclische verloop van de teelt in de tijd weer. Daarbij worden voor blijvend grasland de verschillende sneden onderscheiden In Figuur 2.1 staat de teeltkalender voor blijvend grasland. In Bijlage 2 zijn de kalenders voor gras en mais weergegeven.
Figuur 2.1 Teeltkalender blijvend grasland.
De inventarisatie geeft de eisen en wensen waaraan het beoogde adviessysteem moet voldoen
Om het systeem te karakteriseren en om aan te geven waar deze in essentie aan moet voldoen, is op basis van de inventarisatie een ‘droombeeld’ geformuleerd:
Een operationeel adviessysteem dat melkveehouders helpt om op hun bedrijf binnen gestelde milieu- en maatschappelijke randvoorwaarden de ruwvoeropbrengst te maximaliseren en om de
ruwvoerkwaliteit te optimaliseren.
Om verder richting te geven aan de vernieuwing die het systeem moet brengen zijn door de klankbordgroep de volgende sleutelinnovaties geformuleerd:
Bepaling (meten) van de actuele grasopbrengst en voederwaarde;
Voorspelling van de grasopbrengst en voederwaarde voor de weersverwachtingstermijn (3-15 dagen);
Voorspelling van de maïsopbrengst en voederwaarde voor de lange termijn (1-3 maanden); Meten van factoren die de actuele groeiomstandigheden weergeven, zoals
bodemtemperatuur, bodemvocht, nutriënten
Modelmatige koppeling van factoren die gewasgroei bepalen, zoals bodem, waterhuishouding, nutriënten en weer;
Gecombineerd adviessysteem waarbij op één overzicht teelt- attenties worden gegeven met een hoge betrouwbaarheid;
Advies tenminste per perceel en zo mogelijk per grid.
Om een beeld te krijgen van waar het beoogde adviessysteem in moet voorzien, is in Figuur 2.2 een voorbeeld uitgewerkt voor de productie van een snede gras. De informatiebehoefte van
melkveehouders is heel breed van strategisch tot operationeel niveau. Het adviessysteem moet voorzien in data en adviezen op het operationele niveau. Voor de groei van een snede gras worden basis keuzes gemaakt als het gaat om het te verwachten grasgebruik en de benodigde bemesting. Vervolgens worden de groei en de randvoorwaarden voor groei gemonitord. De weersverwachting is een belangrijk gegeven voor de verwachtte groei in de nabije toekomst. Voorspeld wordt welke acties ondernomen moeten worden, zoals beregenen bij droogte, of wat de opbrengst, de voederwaarde en het oogsttijdstip zullen zijn. De gerealiseerde opbrengst, voederwaarde en gebruikte inputs als bemesting en beregening dienen zo snel mogelijk na oogst bekend te zijn voor het maken van keuzes voor de volgende snede.
Figuur 2.2 Informatiebehoefte melkveehouders voor de productie van een snede gras. Een adviessysteem voorziet in data en adviezen op operationeel niveau.
3
Sensoren
3.1
Wat zijn bruikbare sensoren?
Precisielandbouw kan niet zonder sensoren. Een sensor levert namelijk data. Het is een apparaat dat, al of niet volledig geautomatiseerd, de status of verandering van een object (plant, dier, bodem, atmosfeer, etc.) kan meten en uitdrukken in een objectieve waarde. Er zijn momenteel veel sensoren bekend die potentie of reeds toepassingen hebben in de landbouw. Sensoren zijn onontbeerlijk bij de transitie naar precisielandbouw, waarin op basis van data teeltmaatregelen geoptimaliseerd naar ruimte en tijd, en dus duurzamer, uitgevoerd worden.
In dit hoofdstuk komen bodem- (paragraaf 3.2), gewas- (paragraaf 3.3), klimaat- (paragraaf 3.4 en 3.5) en beweidingssensoren (paragraaf 3.6) aan de orde. Per sensor wordt een toelichting op het meetprincipe en de toepassing gegeven. In Tabel 3.1 staan alle sensoren die we hebben beoordeeld, weergegeven, met inschatting van technologie- (TRL) en marktrijpheid (MRL). Voor GrasMaïs-Signaal zijn voor de korte termijn vooral die sensoren interessant die TRL 6 of meer hebben, waarmee eerste praktijkervaringen zijn opgedaan, en waarvan financieel voordeel, voldoende betrouwbaarheid en gebruiksgemak is aangetoond. Hieronder worden de beoordelingscriteria van de sensoren toegelicht. Technologierijpheid van een sensor voor een bepaalde toepassing werd beoordeeld met een TRL-waarde. De TRL-classificatie (zie Figuur 3.1) is afkomstig uit de ruimtevaarttechnologie. Hoe hoger de waarde op een schaal van 1 tot en met 9, hoe verder de technologie ontwikkeld is. Bij TRL-waarden van 7 of meer is aangetoond dat de technologie werkt, en dat hooguit nog ontwikkeling van het systeem nodig is voor specifieke toepassingen. TRL is dus een maat voor toepasbaarheid.
Marktrijpheid is lastiger eenduidig te beoordelen. Hier hebben we met minstens 3 indicatoren gewerkt om de kansen voor een sensortoepassing in te schatten: mate van adoptie van de innovatie(ve sensor) door de praktijk, informatie over kosten en baten van gebruik van de sensor en informatie over betrouwbaarheid van de data (nauwkeurigheid en leveringszekerheid). Gebruiksgemak is ook een belangrijk criteria, maar hierover kon in veel gevallen niets gezegd worden daar de sensor nog
nauwelijks gebruikt wordt.
Adoptie indicator: We hebben geschat in welke fase van de innovatie adoptie levenscyclus (http://en.wikipedia.org/wiki/Early_adopter) de sensortoepassing zich bevindt. Er worden in deze cyclus vijf fasen onderscheiden: innovator, early adopter, early majority, late majority en laggard fase (fase-classificatie 1, 2, 3, 4, 5, respectievelijk). In de innovator fase (1) is minder dan 3 % van de markt gebruiker van de innovatie. In de Early adopter fase is 3 – 16 % gebruiker van de innovatie. Hoe verder in de cyclus, hoe meer toepassers er zijn. Bij classificatie 0 zijn er geen gebruikers bekend. Kosten-baten indicator: We hebben geschat of financieel voordeel van het sensorsysteem te verwachten is in maïs en grasteelt op basis van wat nu bekend is. Als met onderzoek aangetoond is dat er duidelijke financiële voordelen zijn van gebruik van het sensorsysteem, dan wordt dit aangegeven met een + in de tabel. Als er geen duidelijke financiële voordelen zijn, wordt dit
aangegeven met -/+. En als er geen informatie beschikbaar is, wordt dit met een ? aangegeven in de tabel.
Betrouwbaarheid indicator: In dit criterium wordt zowel nauwkeurigheid als de leveringszekerheid van de sensordata beoordeeld, voor zo ver bekend. Als zowel de nauwkeurigheid van de sensordata als de leveringszekerheid van de data aansluit bij wensen praktijk, dan wordt dit met een +
beoordeeld in de tabel. Als één of beiden beperkend zijn, wordt dit met -/+ of met – aangegeven, respectievelijk. En als er geen informatie beschikbaar is, wordt dit met een ? aangegeven in de tabel. Hierbij moet bedacht worden dat bij veel sensoren kalibratie een groot effect heeft op de
nauwkeurigheid, en dus nauwkeurigheid van een sensor niet los gezien kan worden van de aanvullende kalibratie service.
TRL-level Description (following European Space Agency)
1 Basic principles observed and reported
2 Technology concept and/or application formulated
3 Analytical & experimental critical function and/or characteristic proof-of-concept
4 Component and/or breadboard validation in laboratory environment
5 Component and/or breadboard validation in relevant environment 6 System/subsystem model or prototype demonstration in a
relevant environment (ground or space)
7 System prototype demonstration in a space environment 8 Actual system completed and "Flight qualified" through test and
demonstration (ground or space)
9 Actual system "Flight proven" through successful mission operations
Figuur 3.1 Technology Readiness Level (TRL) schaal [Bron:
Type meting/sensor Toelichting Technologie Marktrijpheid (MRL) rijpheid (TRL) Adoptie fase Finan. voordeel Betrouwbaarh.
Maïs+Gras Gras Mais Gras Mais Gras Maïs
Bodemparameters
Textuur (o.a. lutum en o.s.) Electr. geleidbaarheid (EC) (ER en EM) 8-9 1 1 + + + + Textuur (o.a. lutum en o.s.) Near-Infrared Spectroscopy (NIRS) 6-9 0 0 ? ? ? ? Textuur (o.a. lutum en o.s.) Natuurlijke gamma-straling meting 6-8 1 1 -/+ -/+ -/+ -/+ Textuur (o.a. lutum en o.s.) Veris (combi ER, VIS-NIR, pH meting) 8-9 0 1 ? + + + Textuur (o.a. lutum en o.s.) Dualem (EM meting) 8-9 1 1 + + + +
Zuurgraad pH-meting 9 4 4 + + + +
Bodemverdichting Penetrologger 8-9 1 1 + + + +
Bodemvocht Ground penetrating radar 5 0 0 ? ? ? ?
Bodemvocht Zuigspanning of waterspanning 9 2 2 + + + +
Grondwaterstand Peilbuis 9 5 5 + + -/+ -/+
Grondwaterstand Divers in peilbuis 9 2 2 + + + +
Bodemmineralen (nutriënten) Bepaling dichtheid/concentratie 9 4 4 + + + +
Gewasparameters
Gewashoogte Hoogtemeting met duimstok 9 2 0 + +
Gewashoogte Grashoogtemeters 9 2 0 + +
Gewashoogte Ultrasoon, laser 9 1 1 + ?/+ + ?/+
Gewashoogte Optisch, Lidar, radar, zie biomassasens. 4-6 1 1 ?/+ ?/+ -/+ -/+ Bovengrondse biomassa Near sensing (optisch) diverse merken 9 1-2 1-2 + + + + Bovengrondse biomassa Remote sensing (optisch), diverse sat. 8 1 1 + + -/+ -/+ Bovengrondse biomassa Hyperspectrale camera's 8 1 1 -/+ -/+ + + Bovengrondse biomassa Remote sensing (radar) 4 0 0 -/+ -/+ -/+ -/+ Bovengrondse biomassa Remote sensing (lidar) 6 0 0 -/+ -/+ -/+ -/+ Opbrengstsensoren Fysieke stroom van product 6-9 1 3 -/+ -/+ -/+ -/+ Gewastemperatuur, verdamping Warmte uitstraling 8-9 1 1 -/+ -/+ -/+ -/+ Gewasstadium remote sensing (optisch, radar, lidar) 4-6 0 0 -/+ -/+ -/+ -/+
Plantstress Fluorescentie 4-6 0 1 ? ? -/+ -/+
Onkruid Beeldanalyse 5-8 1 1 ? ? + +
Ziekten Beeldanalyse 4-6 0 0 ? ? -/+ -/+
Inhoudstoffen/Kwaliteit
Droge-stof gehalte in product NIRS 5-6 1 1 ? ? ? ?
Eiwit NIRS 4-6 1 1 ? ? ? ?
Inhoudstoffen gewas NIRS 4-6 1 1 ? ? ? ?
Inhoudstoffen mest NIRS 4-6 1 1 ? ? ? ?
Klimaat
Buienradar/weerbericht neerslag, temperatuur, etc. 9 + + + + + +
Micro-klimaat Weerstation met div. sensoren 9 2 2 + + + +
Beweiding
Accelerometer Versnellingsopnemer aan poot of nek 6-9 2 + +
Halster druksensor Drukmeting, kauwgedrag 4-5 0 -/+ -/+
Halsband microfoon geluidmeting, kauwgedrag 6-7 1 -/+ -/+
Tabel 3.1
Overzicht van sensoren die (op termijn) toepasbaar zijn bij de verduurzaming van de teelt en verwerking van gras en maïs, met beoordeling van technologie-rijpheid (TRL) en marktgegevens (MRL).
3.2
Bodemsensoren
Aan een bodem kun je een groot aantal eigenschappen meten. Tezamen bepalen deze eigenschappen voor een groot deel de gewasopbrengst van een perceel. Voor de teler is het wenselijk dat een sensor of platform van sensoren de variatie binnen het perceel (bodem of gewas) vastlegt en deze gegevens vervolgens zodanig beschikbaar stelt dat deze in ieder Geografisch Informatie Systeem (GIS) gebruikt kunnen worden. In Bijlage 3 worden belangrijke bodemfactoren toegelicht. Hierna wordt uiteengezet welke bodemsensoren er op dit moment commercieel beschikbaar zijn voor het meten van
bodemeigenschappen, met toelichting op bruikbaarheid. Tabel 3.1 bevat het overzicht van deze sensoren.
Geleidbaarheid en straling als maat voor bodemeigenschappen 3.2.1
Textuur en andere bodemparameters kunnen worden afgeleid uit de metingen aan de zogenaamde ‘Electrical Conductivity’ (EC) of elektrische geleidbaarheid van de bodem (Corwin &Lesch, 2005). De EC metingen in de landbouw werden destijds ontwikkeld om het zoutgehalte van geïrrigeerde landbouwgronden te bepalen (Corwin &Lesch, 2003), maar EC metingen hebben inmiddels een belangrijke plaats ingenomen binnen de precisielandbouw voor het in kaart brengen van
bodemvariatie binnen percelen. Zie afbeelding Figuur 3.2 waarin landbouwgrond in de USA gescand wordt met een EC sensor.
Figuur 3.2 Gebruik EC sensor in USA.
Het bepalen van de elektrische geleidbaarheid van de bodem kan worden gedaan door (1) de elektrische weerstand (ER) of (2) de elektromagnetische inductie (EM) te meten.
Elektrische weerstandsmetingen zijn een zogenaamde invasieve methode, waarbij de electroden door de grond worden getrokken. Hierbij is het van belang dat deze een goed contact maken met de bodem. Als de grond droog is of grover materiaal (stenen) bevat, zal dit de metingen minder betrouwbaar maken (Corwin &Lesch, 2005).
Het meten van EC met behulp van elektromagnetische inductie is een niet-invasieve methode. Een zendspoel die zich vlak boven de grond bevindt, induceert een elektromagnetisch veld, en de bodem wekt daardoor een tweede elektromagnetisch veld op. De ontvangstspoel neemt de totale effecten waar. Bodemeigenschappen zoals het kleigehalte en bodemvochtgehalte zorgen voor een verschil in amplitudo en fase tussen het eerste en tweede EM veld. De grootte daarvan is een maat voor de elektrische geleidbaarheid (Corwin &Lesch, 2005).
EC metingen worden o.a. beïnvloedt door de bodemvochttoestand van de bodem. Bij hogere bodemvochttoestand is de relatie tussen EC metingen en bodemtextuur stabieler. Het is daarom raadzaam om deze metingen onder natte omstandigheden uit te voeren, nabij de veld capaciteit (Saey et al., 2012). Van Meirvenne et al. (2013) pleiten ervoor om EC als primaire bodemfactor aan te merken, en dus niet als secundaire parameter die een maat is voor andere bodemparameters. In hun studie was er een sterke relatie tussen de tarwe opbrengst en de EC waarden. De relatie tussen EC metingen (verkregen met EM apparatuur) en pH, bodemtextuur en ook organisch stof was sterk in de studie van (Vitharana et al., 2008). Toch wordt aangeraden om de EC metingen altijd aan te vullen met bodemanalyses van het betreffende perceel. Directe relaties tussen een opbrengstkaart en een EC kaart zijn niet altijd gemakkelijk te maken omdat de interacties tussen de bodemfactoren en
weersomstandigheden ook een rol kunnen spelen (Corwin &Lesch, 2003) en relaties altijd veld afhankelijk zijn.
Op basis van bovenstaande informatie geven we EC-metingen voor het maken van bodemkaarten een TRL-waarde 8-9, met de aantekeningen dat voor sommige grondsoorten aanvullende kalibratie nodig is voor vertalen van de sensorwaarden naar bodemparameters.
Veris systeem 3.2.2
Veris (http://www.veristech.com/products/soilec.aspx) brengt verschillende apparatuur op de markt voor het doen van EC metingen. Ze verschillen onderling in de dieptes waarop de waarnemingen worden gedaan en in de ophanging (geschikt voor achter trekker, achter quad).
Het Veris MSP3 platform (zie Figuur 3.3) wordt in de landbouw toegepast om de geleidbaarheid, de zuurgraad en het organisch stof gehalte in dezelfde werkgang te meten.
Figuur 3.3 Toepassing Veris MSP3 voor het meten van geleidbaarheid, zuurgraad en organisch stofgehalte.
MSP3 staat voor Mobile Sensor Platform en combineert metingen aan de geleidbaarheid van de bodem (EC), reflectiemetingen in het zichtbare licht (VIS: golflengte 380-780 nm) en nabij infrarode (NIR) deel van het spectrum. De Veris MSP3 bodemsensor levert in één werkgang gegevens over het organisch stof gehalte, de textuur en de pH van de bodem. De optische sensor meet elke seconde de reflectie (Schans &Berg, 2013). De zuurgraadbepaling wordt afhankelijk van de rijsnelheid elke 20-100m gedaan. Aan de hand van de gemeten waarden binnen een perceel kan een taakkaart voor het bekalken worden opgesteld.
In een uitgebreide studie in de VS werden de resultaten van bodemmetingen verkregen met behulp van de Veris OpticMapper vergeleken met lab analyses (Lund, 2011). Deze studie omvatte 20 velden die verspreid lagen in 7 staten, en een totaal van 570 ha besloegen. De correlatie (R2) tussen lab analyses van organisch stof en de sensor data lagen tussen de 0.57 en 0.95.
Het Veris sensor platform (Veris MSP3) is door Agrometius in Nederland geïmporteerd, en is in het kader van het programma Precisielandbouw (PPL) getest op veenkoloniale grond (Schans &Berg, 2013). De pH sensor gaf systematisch hogere waarden dan er door middel van lab onderzoek met de pH KCL methode werden bepaald. De correlatie tussen deze twee bepalingen was voor de percelen gemiddeld 0.73. Het organisch stof gehalte werd afgeleid uit EC-SH, Red en Infra Red metingen en hierbij lagen de correlaties met gemeten waarden rond de 0.6. De berekende kalkgift (veenkoloniaal bouwplan) voor de twee onderzochte dalgrond percelen, reflecteerde de grote variatie in organisch stof van deze 2 percelen (1.2 -19 ton Dolokal en 3,4 -12,8 ton Dolokal).
Agrometius verricht metingen op landbouwgronden met een MSP3 sensor tegen betaling van 150 euro/ha (bron: http://precisielandbouw.groenkennisnet.nl/Veris-MSP3-bodemsensor.ashx). Agrifirm en Agrometius hebben gezamenlijk een dienst ontwikkeld voor bekalking. Voor 175 euro/ha wordt er een scan gemaakt en een taakkaart geleverd om plaatsspecifiek te bekalken. Tevens worden daarbij 3 bodemmonsters genomen van het betreffende perceel. Het apparaat kan ook op grasland worden gebruikt. Het apparaat meet bij een rijsnelheid tussen de 8 en 12 km/uur. Het platform registreert Lat en Long WGS 84 coördinaten, reflectie in het rood, reflectie van infrarood, en ratio van deze twee, hoogte, rijsnelheid, EC bouwvoor en EC profielen pH (Schans &Berg, 2013).
Veris MSP3 platform wordt geschat op TRL 8-9, met de aantekeningen dat voor sommige
grondsoorten aanvullende kalibratie nodig is en dat de ER metingen bij voorkeur gedaan worden op onbeteelde grond met pF tussen 2 en 3. Voor grasland is Veris MSP3 minder geschikt. Er zijn aanwijzingen dat de metingen wel gedaan worden in grasland zonder schade aan te brengen aan de productie.
Dualem systeem 3.2.3
Een andere bodemsensor die commercieel beschikbaar is, is de Dualem 1 sensor (zie Figuur 3.4). Deze sensor meet op basis van het EM principe (electromagnetische inductie) en bevindt zich niet in de grond, zoals bij de ER meting van Veris, maar boven de grond (Serrano et al., 2013). Nadeel is hierbij dat vegetatie een ruis kan geven op de metingen (Serrano et al., 2013).
Boven kale grond van een perceel in Vlaanderen (Saey et al., 2012) leverde de Dualem-21S EMI sensor gedetailleerde informatie over de ondergrond waarbij patronen op verschillende schaalgrootte konden worden onderscheiden (bron: http://www.dualem.com/products/).
Dualem sensoren worden geschat op TRL 8-9, met de aantekeningen dat voor sommige grondsoorten aanvullende kalibratie nodig is en dat EM metingen ook op beteelde grond als permanent grasland gedaan kunnen worden mits de vegetatie niet te groot is.
Figuur 3.4 Toepassing van de Dualem bodemsensor op beteelde grond. Gamma straling als maat voor textuur en organisch stof 3.2.4
Uit metingen aan de gamma straling van de grond kunnen verschillende bodemkernmerken worden afgeleid zoals klei gehalte van de bodem. Deze techniek is destijds ontwikkeld door Grasty et al. (1985) en werkt als volgt: Radioactiviteit door de van nature voorkomende radioactieve nucliden (40K, 232Th and 238U (Potassium, Thorium and Uranium) wordt met behulp van een (kristal) sensor gemeten. De sensor is bevestigd aan een quad en meet iedere paar seconden. Vervolgens worden door
interpolatie en interpretatie van de gegevens een bodemkaart van textuur, organisch stof etc
gemaakt. Bij deze vertaalslag is het van belang dat er ook bodembepalingen aan het betreffende veld zijn gedaan om de uitslag te kalibreren.
De kosten van een gamma straling scan liggen tussen de 62,50 en 110 euro per ha. Voor de provincies Friesland, Groningen, Drenthe is een minimale afname 5 ha vereist, voor de resterende provincies is dit 20 ha (Bron: http://www.vandenborneaardappelen.com/365/bodembemonstering#7). Altic en Dacom brengen dit op de markt in Nederland (zie Figuur 3.5 waarbij het systeem op een quad is gemonteerd). De bestanden die worden verkregen kunnen worden bekeken in een geo-teeltregistratie-software zoals Crop-R of Akkerweb. Het systeem wordt momenteel getest en verder ontwikkeld in het kader van het IJKakker programma. Daarnaast vermarkt het bedrijf Medusa Sensing BV deze technologie voor verschillende toepassingsgebieden zoals de mijnbouw en archeologie. In een studie in België werden gemeten bodemfactoren, EC waarden verkregen met EM apparatuur en meetresultaten van de gamma straling vergeleken (Van Meirvenne et al., 2013). Uit de analyse (Principal Component Analyse) bleek dat de waarden van de EC metingen een groter aandeel hadden in het verklaren van de bodemfactoren dan de uitslag van de gammastraling metingen.
De gamma straling sensortechnologie wordt geschat op TRL 6-8, met de aantekening dat de kalibratiemethode van de techniek verder ontwikkeld moet worden. De techniek loopt daardoor iets achter t.o.v. EC sensoren.
Sensoren voor bepaling van bodemvocht 3.2.5
In de literatuur geven diverse studies de bruikbaarheid van NIRS/VIS sensoren aan voor het in kaart brengen van variatie in bodemeigenschappen (zie paragraaf 3.2.2). Roberts et al. (2011) vergeleken dichtbij metingen aan de bodem verkregen met de ACS 210 Crop Circle (VIS en NIR sensor) met spectrale beelden gemeten met een vliegtuigje op 1824m hoogte (resolutie 0.3m) om organisch-stofgehalte uit af te leiden. Alle sensoren gaven een redelijk goede voorspelling, maar overall moest wel veld specifieke informatie worden gebruikt om de voorspellingen te kalibreren (R2 >0.76). Spectrale beelden gaven mindere schommelingen door veldverschillen.
De totale hoeveelheid stikstof in een bodem en organisch N kan worden geschat met NIRS metingen (zie overzicht in (Cécillon et al., 2009)). Onder ideale omstandigheden is het mogelijk om ook mineraal N en P en K af te leiden uit NIRS metingen aan bodemmonsters (Cécillon et al., 2009). De voorspellende waarde van NIRS voor bodemvochtgehalte, respiratie en bodem microbiologische biomassa werd ook als goed bevonden (zie studies in (Terhoeven-Urselmans et al., 2008). De voorbehandeling van de monsters was hier wel van belang. Deze studie geeft aan wat er mogelijk in de toekomst ontwikkeld zou kunnen worden.
Het geautomatiseerd en on-the-go monitoren van nitraat in de bodem geeft nog te variabele resultaten onder veldomstandigheden (zie referenties op p. 84 van (Adamchuk et al., 2004)). Bodemvochtbepalingen worden vooral gedaan aan de hand van één op een vaste plaats staande sensor per veld, en hebben dus waarde voor het monitoren van de bodemvochttoestand in de tijd. Leveranciers van bodemvochtsensoren zijn o.a. Eijkelkamp en Dacom. De meest recente
bodemvochtsensor van Dacom is de Sensetion (zie Figuur 3.6). Het apparaat is eenvoudig te installeren in het veld en er hoort een App bij voor het beregeningsadvies. Een Sensetion pakket bestaat uit 5 meters en kost 4975 euro, grofweg dus 1000 euro per sensor/puntmeting.
Figuur 3.6 Bodemvochtsensor Sensetion van Dacom.
Naast deze puntmetingen kan de ruimtelijke variatie binnen een perceel in bodemvocht worden afgeleid uit EC metingen of NIR sensing, maar hier is nog geen commerciële toepassing van bekend. Het afleiden van het bodemvocht uit de diëlektrische constante (zie Andrade et al., 2011a in
(Adamchuk et al., 2004) p. 76) is een mogelijke benadering. Maar bodemfactoren zoals textuur en temperatuur en zoutgehalte kunnen de uitkomst van deze metingen beïnvloeden (zie p. 76 (Adamchuk et al., 2004)).
Sensoren die de reflectie van VIS en NIR kunnen meten zijn er in heel veel soorten. De TRL-waarde van deze sensoren is een 9, maar een aantal toepassingen is nog onvoldoende praktijkrijp (6 of lager). Er is een groot aantal toepassingen, waaronder het in kaart brengen van patronen in een bodem of gewas en het meten van inhoudsstoffen. De meetwaarden tonen ruimtelijke variatie in bodemvocht, textuur en biomassa. Voor sommige toepassingen is ontwikkeling van kalibratiemethode nodig. Zie ook het hoofdstuk over gewassensoren.
Peilbuizen om grondwaterstand te bepalen zijn al heel lang in gebruik. Waterschappen en particulieren beheren in Nederland een heel groot aantal van deze peilbuizen. Recentelijk zijn er sensoren op de markt gekomen die het peil in de buis automatisch meten in de tijd en de data versturen naar een data base. Deze zogenaamde ‘divers’ worden door o.a. Eijkelkamp op de markt gebracht. De TRL van deze divers is 9, bruikbaarheid hangt af van de peilbuis (zie Figuur 3.7 voor beeldvorming peilbuis en divers).
Figuur 3.7 Peilbuis en divers.
Ground penetrating radar sensor heeft de potentie om toegepast te gaan worden in precisielandbouw (Adamchuk et al., 2004) om bijvoorbeeld bodemvocht op een niet-invasieve manier te bepalen. Hoge frequentie EM golven worden uit gezonden door de sensor, en een ontvangende sensor registreert de gereflecteerde EM golven als functie van tijd (zie verwijzing naar Davis & Annan, 2002 in (Adamchuk et al., 2004). Diverse bedrijven werken aan toepassingen, maar de technologieontwikkeling en kalibratie vergt nog veel aandacht. De TRL-waarde van deze technologie in de landbouw wordt geschat op 3 - 5. Er is nog relatief veel R&D nodig om deze technologie te ontwikkelen tot een toepassing in de landbouw.
Bodemverdichting 3.2.6
Bodemverdichting kan gemeten worden met een penetrologger (zie Figuur 3.8, penetrologger hangt naast de quad; zie ook Figuur in paragraaf 3.2.4) die de indringingsweerstand meet met de daar bijbehorende coördinaten. Boven de 3MPa is wortelgroei onmogelijk (Bron: p. 23 in (Zwart et al., 2011). Het kan dus nuttig zijn om bodemverdichting in kaart te brengen en gericht actie te ondernemen op plekken of stroken met een te hoge mate van bodemverdichting.
De TRL-waarde van penetrologgers is 8-9.
Figuur 3.8 Penetrologger gemonteerd op de zijkant van een quad.
3.3
Gewassensoren
In deze paragraaf komen diverse gewassensoren aan de orde. Eerst wordt biomassa sensing vanaf grote afstand (remote sensing) met satellieten en drones besproken. In Figuur 3.9 staat een
afbeelding van de Aster Terra satelliet. Vervolgens komt biomassa-sensing met sensoren op de tractor of machine aan de orde. Tot slot worden nog enkele specifieke sensoren besproken, zoals
